São Paulo — InkDesign News —
Pesquisadores do Okinawa Institute of Science and Technology (OIST) têm avançado no campo de machine learning, focando em otimização de algoritmos e segurança em modelos de inteligência artificial.
Contexto da pesquisa
A pesquisa centra-se nos problemas de Transporte Ótimo (OT), que envolvem a minimização de custos de transporte entre armazéns e lojas. Como o número de pontos de distribuição aumenta, a complexidade computacional também cresce, desafiando a eficiência dos algoritmos.
“Estamos focados em otimizar e projetar novas ferramentas para resolver problemas de Transporte Ótimo,” afirma o Professor Makoto Yamada, líder da Unidade de Machine Learning e Ciência de Dados.
“Estamos focados em otimizar e projetar novas ferramentas para resolver problemas de Transporte Ótimo”
(“We are focused on optimizing and designing new tools for solving Optimal Transport problems.”)— Makoto Yamada, Professor, Okinawa Institute of Science and Technology
Método proposto
Um dos principais enfoques foi o desenvolvimento de um método que captura melhor as relações de classe ao comparar distribuições completas de características, em vez de médias simples. Isso melhora tanto a acurácia quanto a eficiência.
“Um de nossos objetivos é resolver OT com custo computacional linear,” diz Yamada. Além disso, a equipe introduziu uma nova abordagem baseada na distância tree-Wasserstein, que facilita o cálculo das distâncias ao mapear amostras e características em uma estrutura de árvore. Esta inovação reduz drasticamente o número de comparações necessárias.
Resultados e impacto
As contribuições da equipe foram reconhecidas em conferências internacionais, com cinco artigos aceitos para a Conferência Internacional sobre Aprendizado de Representações (ICLR 2025). Dois desses artigos enfocam especificamente a redução de custos de OT em modelos de machine learning computacionalmente intensivos.
Além disso, o grupo busca melhorar a segurança e a confiabilidade dos modelos de ML, abordando problemas como reconhecimento de conjuntos abertos. Essa abordagem permite que modelos se adaptem a entradas inesperadas e irrelevantes, aumentando a robustez geral.
Essas inovações podem ter impactos significativos nas áreas de descobertas científicas, educação e aplicação de inteligência artificial em setores variados, como saúde e transporte.
Fonte: (TechXplore – Machine Learning & AI)
